Spyegg A to Z

March 18, 2024 6 minute read

2023 농림축산식품부 공공빅데이터 창업경진대회 서비스 및 개발 부문에 참여한 ‘스파이에그’ 프로젝트에 대한 전체적인 내용을 작성하기 위해 포스트를 올린다.

스파이에그 프로젝트는 파각란 방지를 위한 농장에서 유통까지 전주기를 모니터링을 목표로 하는 프로젝트이다.

개요

계란 시장의 규모는 2조 1천억원이나 된다. 이 방대한 시장에서 파각란 최소화는 핵심 이슈로 대두된다.

파각란이란 난각에 금이 가지만 내용물이 누출되지 않은 계란을 말하는데, 사진과 같이 잘 보이지 않는 계란껍질에 실금이 있는 계란을 의미한다.

파각란은 이 실금을 통해서 껍질의 뭍어있는 오염물 혹은 세균 침입 위험성이 높 아지고 완전히 깨질 파란이 될 높은 가능성을 포함하고 있어, 축평원에서 등급을 낮추는 원인 으로 작용하고 있다.

계란 등급평가는 표본 추출 검사로 진행되는데, 계란 등급 판정 검사에서 파각란이 7%이상으로 검출될 경우, 전체 모집단의 계란은 한단계 낮은 등급을 부여받게 된다. 등급에 따라 수 입이 결정되는 농가에는 당연히 수입 감소로 이어진다.

축산 과학원에서 조사한 파각란의 비율에 따르면, 약 5.4%의 파각란이 출현한다. 흔히 우리들이 먹는 1판의 계란, 30개의 계란 중 1.5개가 파각란인 샘이며, 이렇게 검출된 파각란 은 가공용으로 보통란보다 1/3가격으로 낮은 가격을 납품되게 된다, 그렇기에 농장에서 파각란을 효과적으로 관리하는 것은 매우 중요한 요소이다.

문제 제기

이런 파각란의 첫 번째 원인은 계란의 난각두께 감소가 원인이다. 산란계의 칼슘과 같은 영양소의 결핍, 혹은 스트레스 질병 등의 이유로 난각의 두께가 얇아지는 경우가 원인이 될 수 있다.

2번째는 더 근본적인 이유로 계란 생산에서 유통 과정 중 발생하는 물리적 충격이다. 아무리 계란 껍질이 얇다 해도 물리적 충격이 없다면 파각란은 생산되지 않는다.

그러나 그동안 산란계의 영양 상태 개선과 농장 환경 조성 외의 방법은 부족하였다. 난각의 두께에 영향을 미치는 것은 영양상태 뿐만 아니라, 산란계의 월령 혹은 다른 원인에 영향을 받곤 한다. 조건에 따라 대처 방법의 효과성이 차이가 나게 되는 것이다. 그러므로 농가에서 필요한 것은 근본적인 파각란 발생의 원인인 물리적 충격을 측정하고 대처하는 방법이다.

농가에서부터 닭이 알을 낳고 생산되며, 농가에 따라 자동화 레일 혹은 사람에 의해 운반 되고 세척후에, 등급이 매겨지는 Grading & Packing 센터를 지나 도,소매점에서 식탁으로 오게 된다. 이 과정에서 발생하는 물리적 충격들과, 저장과정 중에 발생하는 지속적인 압력이 난각에 미세한 실금을 만드는 근본적인 원인이 된다.

그간 농가에서는 관능평가로 문제를 해결하곤 했다. 경험에 의거해서 사람이 직접 보 고 피부로 느끼며, 문제를 받아드리고 해결해왔다.

팀 공공의 란은 스파이에그 프로젝트를 통해 기존 볼 수 없는 충격량이 어디가 발생되는지, 어느 시간동안 누적되는지에 대해서 정량적인 측정을 통해 누구나 객관적이고 절대적인 판단을 내릴 수 있도록 할 수 있도록 할 것이다.

개발

그 역할을 바로 이 ‘SpyEgg‘가 해낼 것이다. ‘SpyEgg’은 계란과 동일한 모양의 센서로, 계란의 유통 과정 중 파각란 발생에 영향을 미치는 리스크 포인트를 실시간으로 예측하고 분석할 수 있다.

이 스파이에그는 계란의 대란 사이즈를 모방하여 만들어졌다.

3축 가속도 센서와 3축 자이로 센서, 자체적인 온도 센서와 리튬-폴리머 배터리, 무선통신 장치를 탑재하고 있다.

6개 축을 이용한 센서는 계란의 현 상태와 상태 변화값을 정량적으로 측정해낸다.

또한 내장된 온도센서를 통해 온도 변화로 인한 리스크를 측정해 낼 수 있다.

위 사항들을 해내기 위해서 자체적인 데이터를 만들었다.

계란의 크기와 난각 두께에 따라 계란의 중심부 온도와 충격량을 측정하고, 크기와 난각 두께에 따른 파각 임계점을 설정하였다.

충격량을 실험하기 위해 일정한 충격량을 설정해 타격하고, 층별로 쌓아 시간에 따른 압력 누적량을 측정하였다.

‘SpyEgg’의 핵심 기능은 물리적 충격량 측정이다.

계란들과 생산과 유통 과정의 여정을 함께하며, 충격량을 측정한다.

물리적 충격이 원인일 경우 해당 포인트를 찾아 개선하고, 물리적 충격 외가 문제일 경우 영양과 환경에 대한 개선 사항을 제안한다.

기존의 파각란 솔루션이 생산, 선별, 이동, 유통, 저장 등 단편적인 솔루션에 머물렀다면, 스 파이에그는 ‘농장에서 식탁까지’ 전주기 데이터를 수집하여 리스크를 관리한다.

체계화되어 수집된 빅데이터는 양계 농장의 데이터 즉, 온습도, 환경, 영양 등과 스파이에그 데이터를 통해 파각란 발생률, 등급 등을 예측할 수 있는 AI 모델 개발에 활용할 것이다.

데이터 활용

하지만 이러한 데이터는 홀로 사용될 수 없다. 파각란은 더 다양한 조건에 영향을 받는다.

월령과 품종, 사양환경에 따라 난각의 성질이 달라지는데, 한 예시로 산란계의 월령에 따라 파각의 임계점이 낮다.

또한 비슷한 성질의 난각을 가진 계란이더라도, 채란 방식에 따라, 즉, 수동식으로 사람의 손을 거치는가와 혹은 자동화가 이루어지는가에 따라 달라질 수 있으며, 서로 다른 이동 동선에 따라서도 물리적 리스크 포인트가 발생 할 수 있다.

란들의 둥근 면을 본다면 10자리의 숫자가 씌여있는 것을 볼 수 있다.

앞 4자리는 산란일자, 이후 5자리는 생산자 고유번호, 나머지 한자리는 사육 환경을 나타낸다.

‘SpyEgg’를 통해 직접 추출한 데이터와 공공데이터를 융합하여 이용한다.

이 10자리 번호를 통해 언제 어떤 농장에서 생산되고, 어떤 집하장에서 모여지고, 어떤 브랜드를 이루는 지 알 수 있다.

또한 산란계들의 일령과 사육환경까지 알 수 있습니다. 이를 통해 파각란에 영향을 주는 일령, 계절 주기 데이터를 알 수 있다.

또한, 파각란에 대한 정보뿐 아니라 축산물품질평가원-축산유통정보의 공공데이터를 활용하여 매일 최신화된 계란 산지 가격과 계란 도매가격을 산란계 농장에게 제공한다.

이를 통해 농가의 수익량을 예측한다. 동일 조건 농가 별 비교를 통해 지속적인 피드백과 성장을 이루어 낸다.

import requests
from bs4 import BeautifulSoup
import pandas as pd
from html_table_parser import parser_functions as parser

# 웹 페이지의 URL 설정
domae_url = 'https://www.ekapepia.com/priceStat/distrDomaePriceEgg.do?menuId=menu100209&boardInfoNo='

# 웹 페이지 요청
response = requests.get(domae_url)

# BeautifulSoup을 사용하여 HTML 파싱
soup = BeautifulSoup(response.text, 'html.parser')

# 데이터 추출
data = soup.find('table')

table = parser.make2d(data)
df = pd.DataFrame(data=table[2:],columns=table[0])
df.to_csv('domae.csv')

ggplot(domae, aes(x = 구분)) +
  geom_line(aes(y = 왕란, color = "왕란"), size= 1.5) +
  geom_line(aes(y = 특란, color = "특란"), size= 1.5) +
  geom_line(aes(y = 대란, color = "대란"), size= 1.5) +
  geom_line(aes(y = 중란, color = "중란"), size= 1.5) +
  labs(x = "날짜", y = "계란가격(30개당)", color="구분", 
       title = "계란 크기별 도매 가격") +
  scale_color_manual(
    values = c("왕란" = "#FFB6C1", "특란" = "#B2EC5D", "대란" = "#CDB4DB", "중란" = "#AED6F1"),
    breaks = c("왕란", "특란", "대란", "중란"),
    labels = c("왕란", "특란", "대란", "중란")
  ) +
  scale_x_date(
    labels = date_format("%m-%d"),
    date_breaks = "5 day"
  ) +
  theme_minimal() +
  theme(
    plot.title = element_text(hjust = 0.5,size=17,face='bold',family = "NanumGothic"),
    axis.text = element_text(family = "NanumGothic"),
    axis.title = element_text(family = "NanumGothic"),
    legend.title = element_text(family = "NanumGothic"),
    legend.text = element_text(family = "NanumGothic")
  ) -> q